AWS против Google против Azure: кто победит в облачной войне?

Опубликовано: 2020-08-23

В разгар этой пандемии беспрецедентную гибкость в ускорении технологических достижений дает нам доступность различных компетентных систем облачных вычислений . От предоставления вычислительных услуг по требованию для приложений, обработки и хранения, сейчас самое время максимально использовать поставщиков общедоступных облаков. Более того, с простой масштабируемостью также нет географических ограничений.

Они могут поддерживать системы машинного обучения в течение неопределенного времени, поскольку они имеют открытый исходный код и доступны сейчас как никогда раньше, а их доступность для бизнеса стала более доступной. Фактически, поставщики общедоступных облаков все больше помогают в создании моделей машинного обучения. Итак, у нас возникает вопрос — каковы возможности их использования в том числе и для развертывания?

Оглавление

Что мы подразумеваем под развертыванием?

Создание модели очень похоже на процесс проектирования любого продукта. От идеи и подготовки данных до прототипирования и тестирования. Развертывание в основном является практическим моментом всего процесса, что означает, что мы используем уже обученную модель и делаем ее прогнозы доступными для пользователей или других систем автоматизированным, воспроизводимым и проверяемым образом.

В то время как многие облачные провайдеры создали специализированные и специализированные стеки ML, существуют локальные серверные службы и Heroku, которые предоставляют готовую и безопасную среду, позволяющую развертывать быстрее. Однако есть проблемы, с которыми облачные провайдеры сталкиваются коллективно.

Каковы проблемы?

  • Развертывание сложное!

Вопреки распространенному мнению, вы не только развертываете код, вы также, по сути, развертываете данные, которые перемещаются между различными отделами в различных форматах, которые меняются по мере изменения модели, и в системе существует множество движущихся переменных. что может быть уязвимым для этого.

  • Нет однородности

Сквозные приложения машинного обучения часто содержат компоненты, написанные на разных языках программирования. Выбор языка программирования зависит от варианта использования, и для построения различных моделей можно использовать Python, R, Scala или любой другой язык.

  • Развертывания машинного обучения не являются монолитными

Развертывание модели машинного обучения не обязательно является автономным решением. Они обычно встраиваются или интегрируются в различные бизнес-приложения.

  • Болевые точки тестирования и проверки

Изменения данных приводят к процессу эволюции моделей, для которых улучшаются методы или изменяются программные зависимости. Каждый раз, когда происходит такое изменение, производительность модели необходимо перепроверять.

  • Сложность стратегий выпуска

В зависимости от варианта использования модели машинного обучения необходимо обновлять чаще, чем обычные программные приложения.

  • Проблемы с безопасностью данных

Поскольку данные являются уязвимым ресурсом, открытый исходный код облачных провайдеров действительно вызывает удивление. Многие компании банковского сектора опасаются использования облака из-за проблем с безопасностью данных.

Тройка претендентов

AWS, Google Cloud и Microsoft Azure, которые входят в тройку лидеров на рынке облачных вычислений, можно сравнить по нескольким важным параметрам, чтобы сделать лучший выбор.

Источник

АМС

Согласно отчету Gartner Magic Quadrant, AWS занимает первое место как с точки зрения видения, так и с точки зрения возможностей реализации. Что делает его таким, так это подход AWS, который действительно демократизирует ИИ, предоставляя инструменты и услуги, которые позволяют всем разработчикам, даже тем, у кого нет опыта работы с ML. Это даже привлекательно для малого бизнеса, поскольку цены основаны на использовании, а не на общей плате. Кроме того, есть много возможностей для гибкости, настройки и поддержки сторонних интеграций.

Источник

Облако Google

Google стремится сделать ИИ доступным для всех. Google открыл исходный код своих инструментов AI/ML, а инженеры активно публикуют свои исследования для всеобщего доступа. Кибербезопасность — важная область, в которой Google использует AI/ML для решения бизнес-задач.

Chronicle, дочерняя компания Alphabet (материнской компании Google), готова использовать опыт Google в области искусственного интеллекта и машинного обучения и предоставлять почти безграничные вычислительные мощности для разработки решения для анализа безопасности мирового уровня. Его можно легко интегрировать с другими сервисами Google. Действительно огромная экономия средств, которую предлагает Google Cloud, — это SUD или скидки на постоянное использование. Это автоматические скидки, которые Google Cloud Platform предоставляет на период использования платформы.

Источник

Microsoft Azure

Будучи общедоступным облаком, службы Microsoft Azure гарантируют, что ни одному пользователю не придется покупать какое-либо оборудование или программное обеспечение для его использования. Машинное обучение Azure можно использовать для любого типа машинного обучения, от классического машинного обучения до глубокого обучения, контролируемого и неконтролируемого. Поддерживается большинство языков, включая код Python или R, а также варианты с нулевым/малокодовым кодом. Его самым большим плюсом является его скорость с гарантированным временем простоя менее 4,38 часов в год.

Источник

Сравнительное исследование: AWS, Google Cloud и Microsoft Azure

Давайте посмотрим, насколько хорошо они работают по следующим четырем параметрам.

  • Удобство использования и кривая обучения

Разницу в прогрессе между этими компаниями можно измерить уровнем инвестиций и их неудачами/успехами в получении знаний. Крутая кривая обучения приводит к замедлению внедрения в отрасли и прямо пропорциональна удобству, которое она придает пользовательскому опыту.

Источник

  • Принятие в отрасли

Как вы можете видеть ниже, AWS в значительной степени заняла долю рынка, когда дело доходит до измерения их принятия различными малыми и крупными предприятиями. Помогает то, что он был одним из первых, кто вышел на этот рынок. Статистика использования показывает, насколько легко их можно использовать, а также насколько быстро они позволяют пользователям достичь этапа развертывания, а также доказательство их согласованности.

Источник

Чем больше клиентов обдумывают, какое из облаков использовать, тем больше вероятность того, что они будут искать его в Google, чтобы понять свои предложения. По данным Google Analytics, очевидно, что популярность веб-сервисов Amazon с точки зрения поиска Google неизменно высока. Чем больше его ищут, тем больше вероятность того, что он будет широко использоваться.

У предприятия есть возможность использовать несколько облачных провайдеров, чтобы максимально упростить развертывание продукта. Кроме того, чтобы избежать «привязки к поставщику», организации используют различных облачных провайдеров для решения своих бизнес-задач с максимальной гибкостью. Недавний отчет RightScale 2019 State of the Cloud показывает, что 84 % их выборки приняли стратегию использования нескольких облаков.

Источник

  • Облачная инфраструктура

Крупные поставщики общедоступных облачных сервисов предлагают услуги на основе многопользовательских серверов, которые являются общими. Емкость, необходимая для вычисления и обработки непредсказуемых изменений, огромна, и существует необходимость оптимизировать пользовательский спрос на разных серверах. Хотя популярность бессерверных моделей растет, плотность работы, которую необходимо обрабатывать, по-прежнему высока.

Источник

Согласно Stack Overflow, популярному сообществу разработчиков, здесь мы можем оценить долю использования трех облачных систем посредством их анализа шаблонов на основе процента вопросов, которые они получают в месяц.

Источник

  • Цены

Более низкая стоимость позволяет стартапам также внедрять облачные сервисы. Все процессы для стартапа должны быть выстроены с нуля. То, что общедоступные облачные вычисления могут сделать для них, феноменально в том смысле, что капиталом, необходимым для инвестирования в ценообразование, можно управлять до тех пор, пока они не найдут долгосрочного инвестора. Качество проекта может оставаться бескомпромиссным. Для каждого из приведенных ниже сценариев вы можете наблюдать почасовую цену по требованию, а затем почасовую цену за ГБ ОЗУ для каждого.

Источник

Чем могут помочь облака?

Крупные системы облачных вычислений, такие как AWS, GCP, Heroku, Azure и облако IBM, обеспечивают безопасную гавань для всех стремящихся к данным и компаний с ограниченным финансированием, которые хотели бы исследовать модели машинного обучения и эффективно их развертывать. Эти системы дешевы в эксплуатации.

Заплатив в среднем несколько долларов в час, вы можете практически мгновенно запустить свое собственное приложение для машинного обучения! Публичные облака также обеспечивают дешевое хранилище данных. Вы можете использовать настоящие базы данных или системы хранения в качестве ввода данных в приложения с поддержкой машинного обучения.

Все они предоставляют комплекты разработчика программного обеспечения (SDK) и интерфейсы прикладных программ (API), которые позволяют встраивать функции машинного обучения непосредственно в приложения, и поддерживают большинство языков программирования. Настоящая ценность технологии машинного обучения заключается в том, что ее можно использовать внутри приложений, потому что типы прогнозов, которые делаются, в большей степени ориентированы на операции и транзакции.

Однако для компаний было бы хорошей стратегией рассматривать как локальную, так и облачную среду, поскольку облака могут стоить немного на этапе экспериментов. В облаках также есть свои собственные инструменты, созданные поверх инструментов с открытым исходным кодом, таких как Kubernetes, Dockers, Tf и т. д. Kubernetes, будучи популярным продуктом Google, представляет собой систему с открытым исходным кодом для автоматизации развертывания, масштабирования и управления приложениями, но это будет работать лучше на GCP, чем на платформах других поставщиков. Прежде всего, будет важно знать, какие инструменты можно использовать, чтобы выбрать лучший облачный сервис для себя.

Источники:

https://searchcloudcomputing.techtarget.com/definition/cloud-infrastructure#:~:text=Cloud%20infrastructure%20относится%20к%20модели%20a%20cloud%20computing%20.

https://www.leadingedgetech.co.uk/it-services/it-consultancy-services/cloud-computing/what-are-the-types-of-cloud-computing/

https://www.networkworld.com/article/3015121/think-you-can-skip-over-the-cloud-learning-curve-think-again.html

https://cio.economictimes.indiatimes.com/news/strategy-and-management/the-learning-curve-effect-why-cios-need-to-look-beyond-the-cloud-economy-of-scale/ 71813724

https://docs.microsoft.com/en-us/azure/machine-learning/overview-what-is-azure-ml

https://www.kdnuggets.com/2014/11/microsoft-azure-machine-learning.html

https://sada.com/blog/google-cloud/gcp-vs-aws-why-gcp-better-option-2019/

https://www.forbes.com/sites/moorinsights/2020/03/04/surprise-aws-leads-in-cloud-ai-services-ranking/#6f1ca29b5ff7

https://www.kdnuggets.com/2020/02/deploy-machine-learning-model.html

https://www.cbronline.com/news/aws-vs-azure-vs-gcp

https://www.business2community.com/cloud-computing/aws-vs-google-cloud-vs-azure-what-one-is-the-best-for-your-business-02180217

https://kinsta.com/blog/google-cloud-vs-aws/

https://vianalabs.com/aws-vs-azure-vs-google-cloud-what-is-best-for-me/

https://www.altexsoft.com/blog/datascience/comparing-machine-learning-as-a-service-amazon-microsoft-azure-google-cloud-ai-ibm-watson/

https://medium.com/@jaychapel/google-cloud-platform-vs-aws-is-the-answer-obvious-maybe-not-c85623f7d86e#:~:text=Когда%20it%20приходит%20в%20Google, рынок%20доля%20из%20все%20три.

https://www.flexera.com/blog/cloud/aws-vs-azure-vs-google-cloud-pricing-compute-instances/

https://www.cloudhealthtech.com/blog/aws-vs-azure-vs-google

Каково будущее кибербезопасности?

У кибербезопасности может быть множество вариантов будущего. Одна из возможностей заключается в том, что злоумышленники будут продолжать разрабатывать новые способы использования системных недостатков, что затруднит работу средств защиты. В результате число киберпреступлений и крупных утечек данных возрастет. Другой потенциал заключается в том, что кибервойна станет более распространенной, поскольку государства и другие игроки будут использовать кибератаки в качестве оружия войны. Третий потенциал заключается в том, что компании будут применять более комплексный подход к кибербезопасности, сосредоточив внимание на выявлении и устранении уязвимостей до того, как они будут использованы. Точно так же искусственный интеллект и машинное обучение могут найти более широкое применение в кибербезопасности, поскольку эти технологии могут помочь компаниям быстро выявлять угрозы и реагировать на них.

Каковы ограничения кибербезопасности?

Организации могут видеть только ограниченную перспективу того, что происходит в их сетях, что является серьезной проблемой в области кибербезопасности. Так как вредоносная активность может происходить через скрытые туннели и пути, невидимые для стандартных технологий безопасности, дело обстоит именно так. Другая проблема заключается в том, что организации часто имеют искаженное представление об угрозах, с которыми они сталкиваются. Это связано с тем, что ландшафт кибербезопасности постоянно меняется, и постоянно появляются новые угрозы. Третья проблема заключается в том, что защита кибербезопасности на предприятиях часто неадекватна. Это связано с тем, что многим предприятиям не хватает средств для внедрения комплексных решений безопасности.

Каковы области применения цифровой криминалистики?

Метод извлечения цифровых доказательств из вычислительного устройства или носителя известен как цифровая криминалистика. Цифровые артефакты преступления идентифицируются и документируются путем изучения улик. Это может быть использовано для расследования компьютерных преступлений, предоставления доказательств в судебных разбирательствах, защиты компьютерных сетей от атак, расследования случаев взлома и восстановления данных с поврежденных или испорченных жестких дисков, среди прочего. Его также можно использовать, чтобы выяснить, что случилось с пропавшим компьютером. В современных условиях цифровая криминалистика является важным инструментом, который используется в самых разных ситуациях.